MC1: Análise de Dados com Python

Professor: Dr. Guilherme Guilhermino Neto.

Cargo Atual: Docente no Campus Cariacica no Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo.

Resumo do Minicurso 1:

Neste curso, você embarcará na jornada de utilizar Python para análise de dados, sem a necessidade de conhecimentos prévios. Começaremos do básico, ensinando como importar, preparar, manipular e visualizar dados. Trabalhando com bases de dados reais, você aprimorará suas habilidades de análise exploratória de dados. O curso é totalmente prático e inclui o uso de bibliotecas como pandas e seaborn, entre outras. Além disso, abordaremos a análise de regressão, uma ferramenta poderosa para entender associações entre variáveis.

Trajetória acadêmica do professor

Doutor em Modelagem Computacional pela Universidade Federal de Juiz de Fora (UFJF), Mestre em Modelagem Computacional pela Universidade Federal de Juiz de Fora (UFJF), Especialista em Métodos Estatísticos Computacionais pela Universidade Federal de Juiz de Fora (UFJF) e Graduado em Engenharia de Produção pela Universidade Salgado de Oliveira. Especialista em Práticas Pedagógicas para Professores pelo Instituto Federal do Espírito Santo (Ifes). Professor no Instituto Federal do Espírito Santo (Ifes) desde 2014, atuou em cursos de pós-graduação em Engenharia de Produção, Finanças e Gestão Empresarial; graduação em Engenharia de Produção, Administração e Engenharia de Controle e Automação; e técnico em Administração e Meio Ambiente. Atualmente, leciona componentes relacionadas a Estatística Aplicada, Machine Learning e Engenharia de Produção, e trabalha com pesquisa e extensão nestas áreas. Possui experiência em Hackathons e Desafios de Startups, com projetos premiados.

MC2: Modelagem Molecular Aplicada à Descoberta de Fármacos

Professora: Me. Ana Luiza Martins Karl.

Cargo Atual: Bioinformata na Universidade Estadual do Norte Fluminense (UENF).

Resumo do Minicurso 2:

Este minicurso visa apresentar o papel da modelagem molecular na descoberta de novos fármacos, com ênfase no método de docking molecular. O conteúdo será dividido em etapas chave do processo de desenvolvimento de fármacos utilizando técnicas da modelagem molecular como ferramenta:

1. Identificação e Seleção dos Alvos Terapêuticos: Nesta parte, discutiremos como identificar biomoléculas que possam servir como alvos potenciais para o desenvolvimento de novos medicamentos.
2. Obtenção do Modelo do Receptor: O foco será na construção ou obtenção de modelos tridimensionais do receptor-alvo (proteínas, por exemplo), que servirão como base para a interação com os compostos candidatos.
3. Preparação da Estrutura: Serão discutidos aspectos como a otimização conformacional e a adição de propriedades físico-químicas essenciais para o processo de reconhecimento molecular.
4. Triagem Virtual: A etapa final foca no método de docking, que permite simular a interação entre os compostos químicos e o receptor-alvo. Serão apresentados os princípios básicos do docking até a interpretação dos resultados para a seleção de possíveis fármacos candidatos.

Trajetória acadêmica do professor

Bacharel em Biomedicina pela Universidade Católica de Petrópolis (UCP, 2016) e Tecnologista em Tecnologia da Informação e Comunicação pela Faculdade de Ensino Tecnológico do Estado do Rio de Janeiro (FAETERJ Petrópolis, 2023). Mestre em Modelagem Computacional (2019) e atualmente Doutoranda no Laboratório Nacional de Computação Científica (LNCC). Foi vencedora do 14 Prêmio de Iniciação Científica e Tecnológica do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) na área de Ciências da Vida em 2016 e bolsista do Programa Doutorado Nota 10 da Fundação de Apoio à Pesquisa do Estado do Rio de Janeiro (FAPERJ). Atualmente, é bolsista de Desenvolvimento Tecnológico Industrial - Nível A pelo CNPq no Venancio Research Group, no Laboratório de Química e Função de Proteínas e Peptídeos (LQFPP/UENF), onde conduz pesquisas com dados de expressão gênica e de associação genética de soja. Com uma formação interdisciplinar sólida em Biologia e Computação, dedica-se à biologia computacional, com foco no desenvolvimento de metodologias de flexibilização do receptor em experimentos de docking, aplicadas a uma variedade de alvos biológicos, incluindo acetilcolinesterase, T4 lisozima, aldose redutase, HIV-1 protease e alvos moleculares do SARS-CoV-2.

MC3: Estabilidade de Sistemas Lineares

Professor: Dr. Hugo Danilo Fernández Sare.

Cargo Atual: Docente no Departamento de Matemática da Universidade Federal de Juiz de Fora, UFJF.

Resumo do Minicurso 3:

Neste minicurso apresentaremos os principais resultados na literatura referentes à estabilidade de Sistemas Lineares, tanto no caso de Equações Diferenciais Ordinárias (EDOs) como no caso de Equações Diferenciais Parciais (EDPs). No caso de EDOs veremos resultados relacionados à análise espectral e teoria qualitativa das soluções de sistemas lineares. Em base a estes resultados, veremos para o caso de EDPs resultados que caracterizam a estabilidade assintótica das soluções de sistemas lineares, focando no estudo de problemas de evolução principalmente nos casos de sistemas associados a condução térmica e propagação de ondas

Trajetória acadêmica do professor

Possui graduação em Matemática - Universidad Nacional Mayor de San Marcos (2000), mestrado em Matemática pela Universidade Federal do Rio de Janeiro (2003) e doutorado em Matemática pela Universidade Federal do Rio de Janeiro (2006). Tem experiência na área de Matemática, com ênfase em Equações Diferenciais Parciais, atuando principalmente nos seguintes temas: Sistemas Termoelásticos(Lineares e Não-Lineares), Teoria espectral, Estabilidade e Instabilidade Assintótica de sistemas modelados por EDPs.